Forskningsnettverk med leger og tannleger
Notice bibliographique
Résumé
English summary General practitioners and dentists - a pilot project based on data extraction from electronic patient records. 8-14 Clinical research in primary care is scarce compared to hospital care. In part, this may be due to the lack of infrastructure for such research in a decentralized service. Research institutions in general practice and oral health in Norway have collaborated to establish practice-based research networks (PBRN) in primary care. PBRNs have been successfully established in countries such as the UK, the Netherlands and Canada. The aims of the project were (i) to evaluate experience with recruitment, organization and participation of general practitioners (GPs) and dentists in a pilot research network; (ii) to develop and test methods for extracting anonymous data from GPs' and dentists' electronic patient records (EPR), and (iii) to evaluate GPs' and dentists' routines for handling dry mouth problems and interaction between the two professions in this respect. The results are presented in two papers. The current paper addresses the two first aims. A total of 74 doctors and 77 dentists participated. Altogether, 165 adminitrative hours were used for recruitement of 151 clinicians. The extraction of data caused some problems and the free text extracts required particularly thorough review to ensure validity. More than half of the participants answered a questionnaire. Most of the respondents would consider participation in a future research network, and they suggested courses, financial compensation or support for their own quality assurance activity as important facilitating factors. Scarcity of time and heavy workload were mentioned as barriers. There were small differences between the two professions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».